Consumiendo Modelos de Hugging Face

¿Por Qué Ir Más Allá de R?

Hemos demostrado que R y Shiny son un ecosistema increíblemente poderoso para crear productos de datos de principio a fin. Sin embargo, en el mundo del Machine Learning, gran parte de la innovación y los modelos de última generación (State-of-the-Art), especialmente en Procesamiento del Lenguaje Natural (NLP) y Visión por Computadora, se publican primero en Python.

Hugging Face se ha convertido en el "GitHub de los modelos de ML", un repositorio central donde la comunidad comparte miles de modelos pre-entrenados listos para usar. ¿Significa esto que debemos abandonar R para usarlos? ¡Absolutamente no! Un principio clave de MLOps es que nuestra aplicación debe ser un centro de integración, capaz de consumir inteligencia sin importar dónde fue creada.

El Puente Mágico: El Paquete `reticulate`

La clave para conectar los mundos de R y Python es el paquete `reticulate`. Esta librería es una de las proezas de ingeniería más impresionantes del ecosistema de R. Permite a R y Python "hablar" entre sí de forma fluida. Con `reticulate`, podemos:

• Importar cualquier librería de Python en nuestra sesión de R.
• Llamar a funciones de Python directamente desde R.
• Convertir objetos (como dataframes y listas) entre R y Python de forma automática.

`reticulate` es el puente que nos permite construir una interfaz de usuario amigable en Shiny mientras consumimos la potencia de los modelos de Hugging Face en segundo plano.

Taller: Añadir un Analizador de Sentimientos a la App

Vamos a añadir una nueva funcionalidad a nuestra app: un analizador que determine si un texto es POSITIVO, NEGATIVO o NEUTRAL, usando un modelo de Hugging Face.

# 1. Instalar reticulate si no se tiene
install.packages("reticulate")

# 2. Instalar las librerías de Python necesarias (transformers y PyTorch)
# reticulate se encargará de crear un entorno virtual para no afectar tu sistema
reticulate::py_install(c("transformers", "torch"))

# En global.R

# --- Configuración del Entorno Python ---
library(reticulate)

# Importamos la librería 'transformers' de Python a un objeto de R
transformers <- import("transformers")

# Creamos el pipeline de análisis de sentimientos, especificando un modelo multilingüe.
# La primera vez que se ejecute, descargará el modelo (puede tardar un poco).
sentiment_pipeline <- transformers$pipeline(
  "sentiment-analysis", 
  model="cardiffnlp/twitter-roberta-base-sentiment-latest"
)

message("==> Pipeline de Hugging Face cargado y listo.")

# En ui.R, dentro del tabsetPanel(...)

tabPanel("Análisis de Sentimiento (NLP)",
    fluidPage(
        h3("Analizador de Texto con Hugging Face"),
        p("Escribe un texto en español o inglés y el modelo predecirá si el sentimiento es positivo, negativo o neutral."),
        textAreaInput("nlp_text_input", "Ingresa tu texto aquí:", "Me encanta este curso, es increíble.", rows = 4),
        actionButton("run_nlp", "Analizar Sentimiento", icon = icon("robot"), class = "btn-info"),
        hr(),
        h4("Resultado del Análisis:"),
        verbatimTextOutput("nlp_result")
    )
)

# En server.R

# --- Lógica del Análisis de Sentimiento ---

sentiment_result <- eventReactive(input$run_nlp, {
    # Validamos que el usuario haya ingresado texto
    validate(
        need(input$nlp_text_input != "", "Por favor, ingresa un texto para analizar.")
    )

    # ¡La magia de reticulate!
    # Pasamos el texto de R directamente al objeto del pipeline de Python.
    resultado_python <- sentiment_pipeline(input$nlp_text_input)
    
    # Mapeamos la etiqueta del modelo a un texto en español
    label_raw <- resultado_python[[1]]$label
    label_es <- case_when(
        label_raw == "Positive" ~ "POSITIVO",
        label_raw == "Neutral"  ~ "NEUTRAL",
        label_raw == "Negative" ~ "NEGATIVO",
        TRUE ~ label_raw # En caso de que haya una etiqueta inesperada
    )
    
    score <- round(resultado_python[[1]]$score * 100, 2)
    
    return(paste0("Sentimiento Predicho: ", label_es, "\nConfianza: ", score, "%"))
})

output$nlp_result <- renderText({
    sentiment_result()
})